Как установить Ultralytics YOLO с помощью Conda#
Это руководство поможет тебе настроить среду Conda для проектов Ultralytics. Conda — это система управления пакетами и средами с открытым исходным кодом, которая служит отличной альтернативой pip при установке пакетов и зависимостей. Изолированные среды делают её особенно подходящей для задач в области анализа данных и машинного обучения. Подробнее смотри на странице пакета Ultralytics в Anaconda и в репозитории feedstock Ultralytics с обновлениями пакета на GitHub.
В этом руководстве рассказывается, как создать среду, установить Ultralytics, запустить инференс, использовать образ Conda для Docker и ускорить установку с помощью libmamba.
Предварительные требования#
В твоей системе должны быть установлены Anaconda или Miniconda. Если их нет, скачай и установи один из них с сайта Anaconda или Miniconda.
Настройка среды Conda#
Сначала создай новую среду Conda. Открой терминал и выполни следующую команду:
conda create --name ultralytics-env python=3.11 -yАктивируй новую среду:
conda activate ultralytics-envУстановка Ultralytics#
Ты можешь установить пакет Ultralytics из канала conda-forge. Выполни следующую команду:
conda install -c conda-forge ultralyticsЕсли ты работаешь в среде с поддержкой CUDA, установи ultralytics вместе с метапакетом conda-forge pytorch-gpu, чтобы менеджер пакетов Конда подобрал сборку PyTorch с поддержкой CUDA:
conda install -c conda-forge ultralytics pytorch-gpuИспользование Ultralytics#
После установки Ultralytics ты можешь использовать его широкие возможности для обнаружения объектов, сегментации экземпляров и других задач. Например, чтобы выполнить предсказание для изображения, запусти:
from ultralytics import YOLO
model = YOLO("yolo26n.pt") # initialize model
results = model("path/to/image.jpg") # perform inference
results[0].show() # display results for the first imageОбраз Ultralytics Conda для Docker#
Файл Conda Dockerfile использует conda-forge PyTorch 2.13, torchvision 0.28 и CUDA 13.0. Релизы conda-forge могут отставать от релизов PyTorch pip, используемых в стандартном GPU-образе. Автоматическая публикация latest-conda отключена, поэтому собери текущий образ локально:
git clone https://github.com/ultralytics/ultralytics
cd ultralytics
t=ultralytics-conda:local
sudo docker build -f docker/Dockerfile-conda -t $t .Запусти образ:
# Run the Ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --device nvidia.com/gpu=all $t # all GPUs
sudo docker run -it --ipc=host --device nvidia.com/gpu=2 --device nvidia.com/gpu=3 $t # specify GPUsВ Linux запросы устройств CDI требуют Docker >= 28.2.0 и NVIDIA Container Toolkit >= 1.18. Устаревший флаг --gpus all может привести к потере доступа к GPU после перезагрузки фоновых служб хоста, поэтому обнови старые хосты Linux и используй вместо него --device. Подробнее смотри в кратком руководстве по Docker.
Ускорение установки с помощью Libmamba#
libmamba — это быстрый кроссплатформенный решатель с учётом зависимостей, который заменяет классический решатель Conda. В Conda 23.10 и более поздних версиях libmamba уже используется как решатель по умолчанию, поэтому большинство установок сразу выполняется быстрее.
Если у тебя старая версия Conda, ты можешь вручную включить libmamba:
-
Сначала установи пакет
conda-libmamba-solver:conda install conda-libmamba-solver -
Затем настрой Conda на использование
libmambaв качестве решателя:conda config --set solver libmamba
Ты успешно настроил среду Conda и установил пакет Ultralytics. Теперь ты готов изучить его возможности. Дополнительные руководства и примеры смотри в документации Ultralytics.
Часто задаваемые вопросы#
Настроить среду Conda для проектов Ultralytics довольно просто, и это обеспечивает удобное управление пакетами. Сначала создай новую среду Conda с помощью следующей команды:
conda create --name ultralytics-env python=3.11 -yЗатем активируй новую среду командой:
conda activate ultralytics-envНаконец, установи Ultralytics из канала conda-forge:
conda install -c conda-forge ultralyticsConda — это надёжная система управления пакетами и средами, которая имеет ряд преимуществ перед pip. Она эффективно управляет зависимостями и обеспечивает совместимость всех необходимых библиотек. Изолированные среды Conda предотвращают конфликты между пакетами, что особенно важно в проектах по анализу данных и машинному обучению. Кроме того, Conda поддерживает распространение бинарных пакетов, ускоряя процесс установки.
Да, ты можешь повысить производительность, используя среду с поддержкой CUDA. Установи
ultralyticsвместе с метапакетом conda-forgepytorch-gpu, чтобы сборка PyTorch с поддержкой CUDA подбиралась автоматически:conda install -c conda-forge ultralytics pytorch-gpuТакая настройка обеспечивает ускорение на GPU, необходимое для ресурсоёмких задач, таких как обучение моделей глубокого обучения и инференс. Подробнее смотри в руководстве по установке Ultralytics.
Файл Conda Dockerfile предоставляет изолированное окружение conda-forge с PyTorch с поддержкой CUDA. Следуй инструкциям по локальной сборке, затем запусти его с параметрами GPU, указанными там. Стандартный опубликованный GPU-образ и другие альтернативы перечислены в руководстве по Docker.
В Conda 23.10 и более поздних версиях быстрый решатель
libmambaуже используется по умолчанию. В старых версиях Conda ты можешь включить его вручную, сначала установив пакетconda-libmamba-solver:conda install conda-libmamba-solverЗатем настрой Conda на использование
libmambaв качестве решателя:conda config --set solver libmambaТакая настройка обеспечивает более быстрое и эффективное управление пакетами. Дополнительные советы по оптимизации среды смотри в материале об установке libmamba.